[go: up one dir, main page]

CN111311484A - 一种基于人工智能技术的二维骨骼x光图像的三维转换方法 - Google Patents

一种基于人工智能技术的二维骨骼x光图像的三维转换方法 Download PDF

Info

Publication number
CN111311484A
CN111311484A CN202010115147.0A CN202010115147A CN111311484A CN 111311484 A CN111311484 A CN 111311484A CN 202010115147 A CN202010115147 A CN 202010115147A CN 111311484 A CN111311484 A CN 111311484A
Authority
CN
China
Prior art keywords
point
image
dimensional
cloud model
point cloud
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010115147.0A
Other languages
English (en)
Other versions
CN111311484B (zh
Inventor
禹宝庆
刘洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202010115147.0A priority Critical patent/CN111311484B/zh
Publication of CN111311484A publication Critical patent/CN111311484A/zh
Application granted granted Critical
Publication of CN111311484B publication Critical patent/CN111311484B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/08—Projecting images onto non-planar surfaces, e.g. geodetic screens
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请涉及医疗影像领域，特别涉及一种基于人工智能技术的二维骨骼X光图像的三维转换方法。对于待测对象而言，无需进行CT设备扫描，只需要拍摄较少的X光图像，利用待测对象的X光图像以及8点算法，获得投影矩阵，标准三维点云模型通过容变形广义霍夫变换方法确定角度参数以及偏移参数，调整后的标准三维点云模型，经过投影矩阵得到的投影图像与待测对象的骨骼图像最接近，最后通过公式，依次求得待测对象三维点云模型的所有点的坐标，通过该方法获得三维点云模型，一方面降低患者的经济负担，无需要再做三维CT，待测对象所受到的辐射也较少。另一方面，在条件简陋或者是野战环境下也可以进行导航手术便于推广利用。

Description

一种基于人工智能技术的二维骨骼X光图像的三维转换方法
技术领域
本申请涉及医疗影像领域，特别涉及一种基于人工智能技术的二维骨骼X光图像的三维转换方法。
背景技术
在医疗影像中，由于三维医疗影像的直观性，现被广泛用于医疗手术过程。传统的三维医疗影像一般是由CT断层图像三维重建而成，CT检查通过X线准直系统的准直，可得到无层面外组织结构干扰的横断面图像。与常规X线体层摄影比较，CT得到的横断面图像层厚准确，图像清晰，密度分辨率高，无层面以外结构的干扰。由CT扫描得到的横断面图像可通过计算机软件的处理重建成三维图像，便于手术治疗观察。但是，CT扫描价格较贵，且辐射较高。因此，如何能够低成本、少辐射的获得三维医疗影像，是我们需要解决的问题。
申请内容
本申请要解决的技术问题是如何能够低成本、少辐射的获得三维医疗影像。
本申请是通过以下述技术方案来解决上述技术问题：
一种基于人工智能技术的二维骨骼X光图像的三维转换方法，该方法包括：
获得标准三维点云模型，并计算所述标准三维点云模型的中心点c；
使用边缘检测方法获得待测对象的垂直双平面A面、B面的X光图像的骨骼图像Ea、Eb；
在所述待测对象的垂直双平面A面、B面的X光图像中的骨柱中线上分别标注8个点，通过8点算法(improved eight-point algorithm)得到3乘3的齐次矩阵F，根据所述F计算出投影矩阵Pa、Pb,
Figure BDA0002391259350000021
将标所述准三维点云模型和所述中心点c根据所述投影矩阵Pa、Pb，进行模拟投影，得到投影图像La、Lb以及投影图像中心点ca、cb；
使用DTGHT(deformation tolerant generalized Hough transform)容变形广义霍夫变换方法，得到所述标准三维点云模型的调整参数θ,d，其中θ为角度参数，d为偏移参数；
点D(x,y,z)为所述待测对象三维点云模型上的一点，点D在垂直双平面A面、B面上的投影点分别为Da2、Db2，用Kdtree方法在所述投影图像La中找到点Da1(x,y)，所述点Da1距离所述骨骼图像Ea中的点Da2距离最近，同样在所述投影图像Lb中找到点Db1(x',y')，所述点Db1距离所述骨骼图像Eb中的点Db2距离最近，通过下面的公式：
Figure BDA0002391259350000022
计算出D点坐标；
依次计算出待测对象上其他点的坐标。
进一步的，所述获得标准三维点云模型，并计算所述标准三维点云模型的中心点c，包括：
将n个样本的CT数据重建成三维点云模型，且每个点云模型的点的个数统一为m，n和m均为大于5000的整数；
使用3Dicp算法对所述样本的三维点云模型进行配准；
以其中一个样本的三维点云模型作为基准，选取点f1，分别在其他n-1个样本中，用近邻算法寻找距离f1最近的n-1个点，然后求平均值，得到h1；
依次求得点hm，得到标准三维点云模型。
进一步的，所述使用边缘检测方法获得待测对象的垂直双平面A面、B面的X光图像的骨骼图像Ea、Eb，包括：
在所述待测对象的垂直双平面A面、B面的X光图像上标注q个骨骼上轮廓图像点和w个骨骼下轮廓图像点，q和w为大于2的整数；
确定X光图像中的包含所述上轮廓图像点和所述下轮廓图像点的目标区域；
使用霍夫变换(Hough Transform)对所述目标区域去噪声；
使用Canny边缘检测算法得到骨骼图像Ea、Eb。
相对于现有技术而言，本申请的二维骨骼X光图像的三维转换方法，对于待测对象而言，无需进行CT设备扫描，只需要拍摄较少的X光图像，利用待测对象的X光图像以及8点算法，获得投影矩阵，标准三维点云模型通过容变形广义霍夫变换方法确定角度参数以及偏移参数，调整后的标准三维点云模型，经过投影矩阵得到的投影图像与待测对象的骨骼图像最接近，最后通过公式，依次求得待测对象三维点云模型的所有点的坐标，通过该方法获得三维点云模型，一方面降低患者的经济负担，无需要再做三维CT，待测对象所受到的辐射也较少。另一方面，在条件简陋或者是野战环境下也可以进行导航手术便于推广利用。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本申请的第一实施方式的二维骨骼X光图像的三维转换方法的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了解决现有CT断层图像三维重建而成的医疗影像成本高、辐射大的问题，本申请实施例提供了一种基于人工智能技术的二维骨骼X光图像的三维转换方法，该方法无需对待测对象进行CT扫描，仅通过少量的X光图像，即可生成三维医疗影像，减轻了病人看病成本，并且病人所受辐射较少，增加了安全性。
本申请实施例提供的方法可以应用于终端设备，该终端设备例如可以是计算机，所述计算机可以是二维骨骼X光图像的三维转换系统的组成部分。
接下来，将结合附图1对本申请实施例提供的二维骨骼X光图像的三维转换方法进行详细介绍。所述方法包括：
步骤一、获得标准三维点云模型，并计算所述标准三维点云模型的中心点c；
具体来说，上述步骤一中的“获得标准三维点云模型，并计算所述标准三维点云模型的中心点c”，包括：
将许多个病人样本的CT数据重建成三维点云模型，且每个点云模型中的所包含的点的个数是统一的，作为优选的，模型中点的个数至少大于5000个点。这里需要说明的是，每个病人样本数据不仅包括多组X光垂直双平面图像数据，还包括与前述X光图像对应的CT数据，由于上述的标准三维点云模型需要大量病人样本数据计算统计出来，因此病人样本数越多越好，作为优选的，病人样本数至少大于5000。
获得三维点云模型后，使用3Dicp算法对所述样本的三维点云模型进行配准，以胫骨举例来说，所谓配准就是将重建后的胫骨三维点云模型按照统一的要求放置，例如，胫骨的两端的朝向标准统一等；
之后，以其中一个样本的三维点云模型作为基准，选取点记做f1，分别在其他剩余个样本中，用近邻算法寻找距离点f1最近的点，然后求平均值，记做h1；
由于三维点云模型中，点的个数是统一的，因此每个样本中的点都是对应的，用上述方法依次求得模型中的h1到h5000，从而得到标准三维点云模型。
步骤二、使用边缘检测方法获得待测对象的垂直双平面A面、B面的X光图像的骨骼图像Ea、Eb；
步骤三、在所述待测对象的垂直双平面A面、B面的X光图像中的骨柱中线上分别标注8个点，通过8点算法(improved eight-point algorithm)得到3乘3的齐次矩阵F，根据所述F计算出投影矩阵Pa、Pb,
Figure BDA0002391259350000051
步骤四、将标所述准三维点云模型和所述中心点c根据所述投影矩阵Pa、Pb，进行模拟投影，得到投影图像La、Lb以及投影图像中心点ca、cb；
步骤五、使用DTGHT(deformation tolerant generalized Hough transform)容变形广义霍夫变换方法，得到所述标准三维点云模型的调整参数θ,d，其中θ为角度参数，d为偏移参数；
步骤六、点D(x,y,z)为所述待测对象三维点云模型上的一点，点D在垂直双平面A面、B面上的投影点分别为Da2、Db2，用Kd tree方法在所述投影图像La中找到点Da1(x,y)，所述点Da1距离所述骨骼图像Ea中的点Da2距离最近，同样在所述投影图像Lb中找到点Db1(x',y')，所述点Db1距离所述骨骼图像Eb中的点Db2距离最近，通过下面的公式f：
Figure BDA0002391259350000061
计算出D点坐标；
步骤七、依次计算出待测对象上其他点的坐标。
需要说明的是的，上述使用边缘检测方法获得待测对象的垂直双平面A面、B面的X光图像的骨骼图像Ea、Eb，包括：
在所述待测对象的垂直双平面A面、B面的X光图像上标注若干个骨骼上轮廓图像点和若干个骨骼下轮廓图像点，作为优选的，一般上下最少各标注2个；
确定X光图像中的包含所述上轮廓图像点和所述下轮廓图像点的目标区域；
使用霍夫变换(Hough Transform)对所述目标区域去噪声；
使用Canny边缘检测算法得到骨骼图像Ea、Eb。
综上所述，本实施例的二维骨骼X光图像的三维转换方法，对于待测对象而言，无需进行CT设备扫描，只需要拍摄较少的X光图像，利用待测对象的X光图像以及8点算法，获得投影矩阵，标准三维点云模型通过霍夫变换确定角度参数以及偏移参数，调整后的标准三维点云模型，经过投影矩阵得到的投影图像与待测对象的骨骼图像最接近，最后通过公式，依次求得待测对象三维点云模型的所有点的坐标，通过该方法获得三维点云模型，一方面降低患者的经济负担，无需要再做三维CT，待测对象所受到的辐射也较少。另一方面，在条件简陋或者是野战环境下也可以进行导航手术便于推广利用。
虽然以上描述了本申请的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本申请的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本申请的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本申请的保护范围。

Claims (3)

1.一种基于人工智能技术的二维骨骼X光图像的三维转换方法，其特征在于，该方法包括：
获得标准三维点云模型，并计算所述标准三维点云模型的中心点c；
使用边缘检测方法获得待测对象的垂直双平面A面、B面的X光图像的骨骼图像Ea、Eb；
在所述待测对象的垂直双平面A面、B面的X光图像中的骨柱中线上分别标注8个点，通过8点算法(improved eight-point algorithm)得到3乘3的齐次矩阵F，根据所述F计算出投影矩阵Pa、Pb,
Figure FDA0002391259340000011
将标所述准三维点云模型和所述中心点c根据所述投影矩阵Pa、Pb，进行模拟投影，得到投影图像La、Lb以及投影图像中心点ca、cb；
使用DTGHT(deformation tolerant generalized Hough transform)容变形广义霍夫变换方法，得到所述标准三维点云模型的调整参数θ,d，其中θ为角度参数，d为偏移参数；
点D(x,y,z)为所述待测对象三维点云模型上的一点，所述点D在所述垂直双平面A面、B面上的投影点分别为Da2、Db2，用Kdtree方法在所述投影图像La中找到点Da1(x,y)，所述点Da1距离所述骨骼图像Ea中的点Da2距离最近，同样在所述投影图像Lb中找到点Db1(x',y')，所述点Db1距离所述骨骼图像Eb中的点Db2距离最近，通过下面的公式f：
Figure FDA0002391259340000012
计算出D点坐标；
依次计算出待测对象上其他点的坐标。
2.根据权利要求1所述方法的，其特征在于，所述获得标准三维点云模型，并计算所述标准三维点云模型的中心点c，包括：
将n个样本的CT数据重建成三维点云模型，且每个点云模型的点的个数统一为m，n和m均为大于5000的整数；
使用3Dicp算法对所述样本的三维点云模型进行配准；
以其中一个样本的三维点云模型作为基准，选取点f1，分别在其他n-1个样本中，用近邻算法寻找距离f1最近的n-1个点，然后求平均值，得到h1；
依次求得点hm，得到标准三维点云模型。
3.根据权利要求1所述的方法，其特征在于，所述使用边缘检测方法获得待测对象的垂直双平面A面、B面的X光图像的骨骼轮廓图像Ea、Eb，包括：
在所述待测对象的垂直双平面A面、B面的X光图像上标注q个骨骼上轮廓图像点和w个骨骼下轮廓图像点，q和w为大于2的整数；
确定所述X光图像中的包含所述上轮廓图像点和所述下轮廓图像点的目标区域；
使用霍夫变换(Hough Transform)对所述目标区域去噪声；
使用Canny边缘检测算法得到所述骨骼图像Ea、Eb。
CN202010115147.0A 2020-02-25 2020-02-25 一种基于人工智能技术的二维骨骼x光图像的三维转换方法 Active CN111311484B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010115147.0A CN111311484B (zh) 2020-02-25 2020-02-25 一种基于人工智能技术的二维骨骼x光图像的三维转换方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010115147.0A CN111311484B (zh) 2020-02-25 2020-02-25 一种基于人工智能技术的二维骨骼x光图像的三维转换方法

Publications (2)

Publication Number Publication Date
CN111311484A true CN111311484A (zh) 2020-06-19
CN111311484B CN111311484B (zh) 2023-04-07

Family

ID=71161895

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010115147.0A Active CN111311484B (zh) 2020-02-25 2020-02-25 一种基于人工智能技术的二维骨骼x光图像的三维转换方法

Country Status (1)

Country Link
CN (1) CN111311484B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115222885A (zh) * 2022-07-18 2022-10-21 上海涛影医疗科技有限公司 双平面下流程自适应的骨骼结构空间重建方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016116946A2 (en) * 2015-01-20 2016-07-28 Indian Institute Of Technology, Bombay A system and method for obtaining 3-dimensional images using conventional 2-dimensional x-ray images
CN110613469A (zh) * 2019-09-18 2019-12-27 北京理工大学 一种腿骨下肢力线自动检测方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016116946A2 (en) * 2015-01-20 2016-07-28 Indian Institute Of Technology, Bombay A system and method for obtaining 3-dimensional images using conventional 2-dimensional x-ray images
CN110613469A (zh) * 2019-09-18 2019-12-27 北京理工大学 一种腿骨下肢力线自动检测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王蕴衡等: "基于正侧位锥束CT投影快速构建脊椎三维模型", 《中国医学影像技术》 *
肖永亮等: "反向摄影大尺度空间结构光三维测量", 《影像科学与光化学》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115222885A (zh) * 2022-07-18 2022-10-21 上海涛影医疗科技有限公司 双平面下流程自适应的骨骼结构空间重建方法及装置

Also Published As

Publication number Publication date
CN111311484B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
Shekhar et al. Automated 3-dimensional elastic registration of whole-body PET and CT from separate or combined scanners
CN111047572B (zh) 一种基于Mask RCNN的医学图像中脊柱自动定位方法
US8787647B2 (en) Image matching device and patient positioning device using the same
US8873819B2 (en) Method for sorting CT image slices and method for constructing 3D CT image
US20150029184A1 (en) Three-dimensional model data generation device, method and program
CN107590809A (zh) 肺分割方法及医学成像系统
CN102883662A (zh) 医疗图像处理设备以及其方法
Lesaint et al. Calibration for circular cone-beam CT based on consistency conditions
CN110946652B (zh) 一种骨螺钉的钉道规划方法和装置
CN112785632A (zh) 基于epid的图像引导放疗中dr和drr影像跨模态自动配准方法
CN104751502B (zh) 一种用于扩大视野的ct图像重建方法
CN110057847B (zh) Tr层析扫描投影重排方法及装置
JP5296981B2 (ja) アフィン変換を用いたモダリティ内医療体積画像の自動位置合わせ
CN111166332A (zh) 一种基于磁共振波谱和磁共振影像的放疗靶区勾画方法
CN116703882A (zh) 一种非接触式心脏三维标测方法及系统
JP2004174241A (ja) 画像形成方法
CN111311484B (zh) 一种基于人工智能技术的二维骨骼x光图像的三维转换方法
CN111583354A (zh) 医学图像处理单元的训练方法和医学图像运动估计方法
JPH0759763A (ja) ３次元物体計測装置
CN110279429A (zh) 四维超声重建方法及装置
JP2011115546A (ja) 超音波三次元再構成方法及び装置、並びに超音波システム
Wang et al. X-Recon: Learning-based Patient-specific High-Resolution CT Reconstruction from Orthogonal X-Ray Images
RU2312602C2 (ru) Способ формирования томографических изображений
CN114419071A (zh) 一种基于mr横轴位图像分割的心脏三维定位方法
CN118644387B (zh) 腕关节韧带图像处理及分析方法、装置、设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant